Bayesian methodsBayesian / computational
Metropolis-Hastings 用于模型比较
Metropolis-Hastings 用于模型比较的方法利用 Metropolis-Hastings 马尔可夫链蒙特卡洛 (MCMC) 算法同时探索参数空间和模型空间，生成竞争模型的后验概率，并能在无需闭式边际似然的情况下估计贝叶斯因子。Green (1995) 的标准扩展——可逆跳跃 MCMC——能在单一采样器中处理不同维度的模型。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97-109. DOI: 10.1093/biomet/57.1.97 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
如何引用本页
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/zh/bayesian/metropolis-hastings-for-model-comparison
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
并排比较 →